LangChain 自推出以来迅速成为开发者构建 LLM 驱动应用的重要框架之一，支持多种链（chains）、代理（Agents）、工具调用、向量检索、模型接口等功能。其生态不断壮大，但也因模式多样、抽象纷繁导致开发者面对不同 “agent 模式” 时感到困惑。为提升一致性、可维护性与企业级稳定性，LangChain 在 2025 年 9 月推出了 v1.0.0 Alpha，与 LangGraph 一起迈入 1.x 版本演进。

为什么要推出 v1.0？

• 企业信心：1.0 版本象征着更加稳定、信赖，降低企业采用风险。
• 抽象收敛：过去存在多种 agent 模式（ReAct、Plan-and-Solve、React-Retry 等），v1.0 把主流用例统一迁移到一个成型的 agent 抽象上，复杂或非常规场景则推荐使用更底层、灵活的 LangGraph。
• 标准输出格式：不同 LLM 提供商返回结构迥异，新增 content_blocks 属性，用以统一 reasoning、工具调用、引用、媒体类型等新 API 特性

核心新特性概览

统一代理抽象：create_agent

过去要实现“调用工具 → 整理结果 → 输出结构化 JSON”，要手写 chain，现在一行搞定：

from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from pydantic import BaseModel

class WeatherInfo(BaseModel):
    city: str
    temperature_c: float
    condition: str

def fake_weather(city: str) -> str:
    returnf"25,Sunny"if city == "Singapore"else"18,Rainy"

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[fake_weather],
    response_format=WeatherInfo
)

res = agent.invoke({"messages": [
    HumanMessage("What's the weather like in Singapore?")
]})

print(res["structured_response"])
# WeatherInfo(city='Singapore', temperature_c=25.0, condition='Sunny')

设计解析

• 所有旧版 agent（ReAct, Plan-and-Execute 等）均重构为 create_agent 的预设配置。
• 底层统一使用 LangGraph 作为执行引擎，暴露标准接口：invoke(input: dict) -> dict。
• 输入输出结构标准化：
• 输入：{"messages": List[BaseMessage]}
• 输出：{"messages": List[BaseMessage], "structured_response": Optional[BaseModel]}

工程价值

• 降低学习成本：开发者只需掌握一个接口。
• 提升可测试性：输入输出结构固定，便于 mock 和断言。
• 支持热插拔：更换模型或工具集，不影响调用层。

标准化内容模型：content_blocks

所有 AIMessage 新增 .content_blocks: List[ContentBlock] 属性。

类型定义（简化）

class TextBlock(ContentBlock):
    text: str

class ToolCallBlock(ContentBlock):
    name: str
    args: dict

class CitationBlock(ContentBlock):
    sources: List[Source]

class ImageBlock(ContentBlock):
    mime_type: str
    data: bytes

设计解析

• 所有 LLM 输出（文本、工具调用、引用、图像等）均封装为类型化块。
• 各提供商差异被抽象层屏蔽：
• OpenAI function_call → ToolCallBlock
• Anthropic <thinking> → TextBlock + reasoning=True
• Claude XML 工具 → ToolCallBlock
• 支持懒加载：如 ImageBlock.data 仅在访问时解码。

工程价值

• 模型切换成本趋近于零。
• 输出可被程序精确消费，无需正则/字符串匹配。
• 为多模态、流式输出、结构化引用提供扩展基础。

Runtime：LangGraph 成为默认引擎

create_agent 返回的 agent 本质是一个编译后的 LangGraph 实例。

核心能力

• 状态持久化：对话历史、工具调用结果、中间变量存储于 GraphState。
• 流程控制：
• 条件边（conditional edges）：根据状态决定下一节点。
• 循环控制：自动重试、最大步数限制。
• 异常恢复：工具失败自动进入 error 节点。
• 可观测性：内置 tracing，支持 LangSmith 集成。

示例

自定义重试逻辑:

from langgraph.graph import StateGraph

def tool_node(state):
    try:
        result = tool.invoke(state["input"])
        return {"result": result, "error": None}
    except Exception as e:
        return {"result": None, "error": str(e)}

def should_retry(state):
    if state["error"] and state["retry_count"] < 3:
        return"tool_node"
    else:
        return"end_node"

graph = StateGraph(AgentState)
graph.add_node("tool_node", tool_node)
graph.add_conditional_edges("tool_node", should_retry)

工程价值

• 企业级韧性：自动重试、熔断、降级。
• 复杂流程支持：审批流、多阶段任务、人工干预点。
• 调试友好：状态可序列化、可回放、可单元测试。

升级路径与兼容策略

包结构重构

渐进式迁移建议

1. 新项目：直接使用 create_agent + content_blocks。
2. 存量项目：

• 安装 langchain-legacy 保持兼容。
• 逐步替换 initialize_agent(..., AgentType.REACT...) → create_react_agent(...)（兼容层）。
• 最终迁移至 create_agent(...)。

• 注意 Breaking Changes：
• Python ≥ 3.10
• BaseMessage.text() → .text（属性）
• 默认返回 AIMessage，非 str